대규모 언어 모델(LLM)이 컴파일러가 놓치는 의미론적 최적화 기회를 복구할 수 있는가?

요약

LLM이 컴파일러가 놓치는 의미론적 최적화 기회를 복구할 수 있는지 연구하기 위해 새로운 벤치마크 SeGaBench를 제안합니다. 실험 결과, 강력한 LLM은 높은 정확도로 성능 향상을 이끌어내며 컴파일러 분석을 보완하는 추측적 의미론 제안자로서의 가능성을 보여주었습니다.

핵심 포인트

• 컴파일러의 의미론적 한계를 극복하기 위한 LLM 활용 연구
• 실행 가능한 벤치마크 SeGaBench 소개
• 최상위 모델이 93.3%의 사례에서 성능 향상 달성
• LLM을 컴파일러 분석을 보완하는 제안자로 활용 가능